مدیریت داده، اطلاعات و دانش در حوزه کسب‌وکار هوشمند
محمد کاظمی؛ محمدعلی کرامتی؛ مهرزاد مینوئی
چکیده
تلاش این مقاله در جهت حل یکی از مشکلات اصلی حوزه ی بانکداری می باشد که ارتباط تنگاتنگی با حوزه ی فناوری اطلاعات دارد. ترکیب بحث مدیریتی این موضوع با حیطه ی فناوری اطلاعات یکی از مباحث مهم حوزه ی مدیریت فناوری اطلاعات را رقم خواهد زد.هدف اساسی این مقاله، خوشه بندی مشتریان بانک است.در ابتدا، تمامی ویژگی های مشتریان از پایگاه داده ی بانک ...
بیشتر
تلاش این مقاله در جهت حل یکی از مشکلات اصلی حوزه ی بانکداری می باشد که ارتباط تنگاتنگی با حوزه ی فناوری اطلاعات دارد. ترکیب بحث مدیریتی این موضوع با حیطه ی فناوری اطلاعات یکی از مباحث مهم حوزه ی مدیریت فناوری اطلاعات را رقم خواهد زد.هدف اساسی این مقاله، خوشه بندی مشتریان بانک است.در ابتدا، تمامی ویژگی های مشتریان از پایگاه داده ی بانک استخراج گردیده که استخراج برای 900 هزار مشتری و به طور تصادفی انجام گرفته است که به عنوان ورودی در اختیار روش پیشنهادی این مقاله قرار خواهد گرفت. تمامی ویژگی-های این مشتریان استخراج شد و با استفاده از نظرات کارشناسان 10 ویژگی (به جز چهار ویژگی روش LRFM) لیست گردید. روش پیشنهادی باید از بین این 10 ویژگی بتواند ویژگی‌هایی را برای خوشه بندی مشتریان انتخاب کند که تفکیک پذیری بیش تری را در خوشه بندی نتیجه دهد. با توجه به تعداد بالای حالات این مساله، امکان انجام دستی آن وجود ندارد و روش پیشنهادی سعی می کند با بررسی حالات مختلف، برای مشتریان هر بانک الگوی مجزایی را برای خوشه بندی ارایه دهد. همچنین، مشکل انتخاب مقدار مناسب برای تعداد خوشه‌ها در روش K-میانگین به وسیله‌ی روش پیشنهادی این مقاله برطرف می گردد. نتایج حاصل، نشان از بهبود آن نسبت به روشRFM وLRFM پایه دارد.کلمات کلیدی:مدیریت ارتباط با مشتریان بانک،خوشه بندی، مدل RFM،مدل LRFM، الگوریتم ازدحام ذرات، روش K-میانگین.
محمد کاظمی؛ محمدعلی کرامتی؛ مهرزاد مینوئی
چکیده
چکیدهخوشه‌بندی روشی رایج برای تجزیه و تحلیل داده‌های مختلف در بسیاری از زمینه‌ها است، از جمله میتوان به شناسایی آماری، بانکداری،داده‌کاوی، تجزیه و تحلیل تصویر و …اشاره نمود. خوشه‌بندی فرآیند گروه-بندی اشیای مشابه به گروه‌های مختلف یا به بیان دقیق‌تر، تقسیم مجموعه‌ای از داده‌ها به زیر مجموعه‌های مجزا است. نکته‌ی اصلی، ...
بیشتر
چکیدهخوشه‌بندی روشی رایج برای تجزیه و تحلیل داده‌های مختلف در بسیاری از زمینه‌ها است، از جمله میتوان به شناسایی آماری، بانکداری،داده‌کاوی، تجزیه و تحلیل تصویر و …اشاره نمود. خوشه‌بندی فرآیند گروه-بندی اشیای مشابه به گروه‌های مختلف یا به بیان دقیق‌تر، تقسیم مجموعه‌ای از داده‌ها به زیر مجموعه‌های مجزا است. نکته‌ی اصلی، مشخص‌نبودن تعداد گروه ها در خوشه‌بندی است، بگونه ای که در خوشه‌بندی متخصصین، سلیقه‌ای عمل می نمایند.این رساله به دنبال ارایه‌ی راه کاری برای خوشه‌بندی پویای مشتریان بانک، بر مبنای الگوریتم ژنتیک با لحاظ نمودن روش LRFM می باشد. به عبارت دقیق‌تر، الگوریتم ژنتیک سعی خواهد کرد از بین فیلدهای اطلاعاتی مختلفی که در مورد مشتریان بانک در پایگاه داده وجود دارد؛ فیلدهای مناسبی را در کنار ویژگی-های به کار رفته در روش LRFM قرار دهد تا نتایج مناسب‌تری را در خوشه‌بندی مشتریان بانک به دست آورد، تصمیم‌گیری در مورد تعداد گروه های موجود نیز بر عهده‌ی الگوریتم ژنتیک خواهد بود. پیاده‌سازی-های مختلف الگوریتم ژنتیک با استفاده از تابع‌های مختلف جهش و پیوند انجام پذیرفته تا دستیابی به بهترین حالت پیاده‌سازی گردد. شایان ذکر است تمامی روش‌های پیوند و جهش (به دلیل تعدد زیاد) قابل آزمون نیستند. لیکن، روند به گونه‌ای طراحی شده تا در پیاده‌سازی، بهبود نسبت به روش پایه LRFM و برخی روش‌های رقیب حاصل گردد.کلمات کلیدی: مدیریت ارتباط با مشتریان بانک،خوشه بندی، مدل LRFM، الگوریتم ژنتیک.
